SERE：用于增强事件因果关系识别中的 LLM 的结构示例检索

事件因果关系识别 (ECI) 需要模型来确定上下文中的给定事件对是否表现出因果关系。虽然 大语言模型 (LLM) 在各种 NLP 任务中表现出了强大的性能，但由于因果推理的偏差，它们在 ECI 中的有效性仍然有限，常常导致因果关系的过度预测（因果幻觉）。为了缓解这些问题并增强 LLM 在 ECI 中的性能，我们提出了 SERE，这是一种利用 LLM 的少样本学习功能的结构示例检索框架。 SERE 引入了一种基于三个结构概念的创新检索机制：（i）概念路径度量，它使用 ConceptNet 中的编辑距离来衡量事件之间的概念关系； (ii)句法度量，通过句法树上的树编辑距离来量化结构相似性； (iii) 因果模式过滤，使用 LLM 根据预定义的因果结构过滤示例。通过整合这些结构检索策略，SERE 选择更多相关示例来指导 LLM 进行因果推理，减少偏见并提高 ECI 任务的准确性。对多个 ECI 数据集的大量实验验证了 SERE 的有效性。源代码可在 https://github.com/DMIRLAB-Group/SERE 上公开获取。